基于深度学习的多源数据分析火灾监测与识别方法及系统技术方案

本发明专利技术涉及一种基于深度学习的多源数据分析火灾监测与识别方法及系统，其方法包括：S1：采集不同工况下火灾样本数据，得到样本集；步骤S2：对样本集进行预处理；得到预处理后的样本集，包括：由烟雾数据、温度数据、火焰辐射数据构建二维数组X，以及可见光视频特征图序列集合V和红外视频特征图序列集合I；步骤S3：将X经过特征提取网络a得到部分特征图C

【技术实现步骤摘要】
基于深度学习的多源数据分析火灾监测与识别方法及系统


[0001]本专利技术涉及火灾探测、图像型火灾探测器和新型火灾探测器领域，具体涉及一种基于深度学习的多源数据分析火灾监测与识别方法及系统。

技术介绍

[0002]基于深度学习的多模态火灾探测器能够在火灾发生的早期发现火灾，并通过多种不同形式的数据来综合判断火灾的发生与否，尤其是能够发现一些不容易被其他单一数据反映的火灾，有利于火灾的及时发现，并为相关安全管理人员针对当前情况做出反应提供更充裕的时间，特别是在对火灾消防要求较高的室内大空间中应用场合具有显著优势。
[0003]目前常用的火灾探测器，如感烟火灾探测器、感温火灾探测器等单一通道的火灾探测器，都有各自的适用场景，例如感烟火灾探测器只能感测烟雾，对于无烟雾或烟浓度较低的火灾无法报警；感温型火灾探测器只有当探测器周围温度上升到一定程度才能够报警，因此对于阴燃火灾的检测不适用；图像型火灾探测器遇到有遮挡物遮蔽火源和烟雾之后，无法探测到着火；而多模态火灾探测技术，可以通过其他的数据来判断此时是否着火，更加可靠，提升报警的准确性。现如今在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的多源数据分析火灾监测与识别方法，其特征在于，包括下述步骤：步骤S1：采集不同工况下火灾样本数据，并对对每个样本标注有火焰或无火焰的标签；得到样本集，所述样本集包括五种数据：烟雾数据、温度数据、火焰辐射数据、可见光视频数据以及红外视频数据；步骤S2：对所述样本集进行预处理；得到预处理后的样本集；其中，所述预处理后的样本集包括：由烟雾数据、温度数据、火焰辐射数据构建二维数组X，以及由可见光视频数据构建可见光视频特征图序列集合V和由红外视频数据构建的红外视频特征图序列集合I；步骤S3：将所述预处理后的样本集输入火灾监测与识别网络进行特征提取：将所述二维数组X经过特征提取网络a得到部分特征图C
a
，将所述可见光视频特征图序列集合V和所述红外视频特征图序列集合I分别经过视频处理网络1和2，以及特征提取网络b1和特征提取网络b2，分别得到可见光视频部分特征图C
v
和红外视频部分特征图C
I
；将C
a
和C
v
、C
I
通过注意力理机制模块为其分配不同权重并进行融合，得到完整的特征图C；对所述特征图C进行预测，输出预测值1或0，1表示发生火灾，0表示未发生火灾。2.根据权利要求1所述的基于深度学习的多源数据分析火灾监测与识别方法，其特征在于，所述步骤S1：采集不同工况下火灾样本数据，并对对每个样本标注有火焰或无火焰的标签；得到样本集，所述样本集包括五种数据：烟雾数据、温度数据、火焰辐射数据、可见光视频数据以及红外视频数据，具体包括：采集不同工况下火灾样本数据{s,t,f,v,in}；其中，s为烟雾数据，t为温度数据，f为火焰辐射数据，v为可见光视频数据，in为红外视频数据。3.根据权利要求2所述的基于深度学习的多源数据分析火灾监测与识别方法，其特征在于，所述步骤S2：对所述样本集进行预处理，得到预处理后的样本集；其中，所述预处理后的样本集包括：由烟雾数据、温度数据、火焰辐射数据构建二维数组X，以及由可见光视频数据构建可见光视频特征图序列集合V和由红外视频数据构建的红外视频特征图序列集合I，具体包括：步骤S21：对所述样本集中一维的烟雾数据s、温度数据t和火焰辐射数据f，按照其采样时间，构建二维数组Data
raw_data
，如公式(1)所示：其中，S
rn
为时刻n的原始烟雾数据，T
rn
为时刻n的原始温度数据，F
rn
为时刻n的原始火焰辐射数据；设定S、T和F对应的最大值为S
max
,T
max
,F
max
,根据公式(2)进行归一化处理，得到公式(3)所示的归一化后的二维数组X：
其中，S
sn
为时刻n的归一化烟雾数据，T
sn
为时刻n的归一化温度数据，F
sn
为时刻n的归一化火焰辐射数据；步骤S22：对于采集的所述可见光视频数据v和所述红外视频数据in对格式、帧率、视频帧尺寸进行标准化处理后，构建视频特征图序列，其中，每个样本为长度为N的视频帧采样序列，选取与第i个视频帧前后相邻的各个视频帧分别构建可见光视频特征图序列V
i
＝{...n
i
‑2,n
i
‑1,n
i
,n
i+1
,n
i+2
...}和红外视频特征图序列I
i
＝{...m
i
‑2,m
i
‑1,m
i
,m
i+1
,m
i+2
...}，其中，i为视频帧序号。4.根据权利要求3所述的基于深度学习的多源数据分析火灾监测与识别方法，其特征在于，所述步骤S3：将所述预处理后的样本集输入火灾监测与识别网络进行特征提取：将所述二维数组X经过特征提取网络a得到部分特征图C
a
，将所述可见光视频特征图序列集合V和所述红外视频特征图序列集合I分别经过视频处理网络1和2，以及特征提取网络b1和特征提取网络b2，分别得到可见光视频部分特征图C
v
和红外视频部分特征图C
I
；将C
a
和C
v
、C
I
通过注意力理机制模块为其分配不同权重并进行融合，得到完整的特征图C；对所述特征图C进行预测，输出预测值1或0，1表示发生火灾，0表示未发生火灾，具体包括：步骤S31：将二维数组X通过基于残差网络的特征提取网络a提取深层特征，得到部分特征图C
a
，如公式(4)～(5)所示：f
a
(x)＝r(B(x))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)C
a
＝d(D
a
(f
a
(x)))
·
(conv
a1×
1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，f
a
(x)为所述特征提取网络a的卷积单元，B(x)批量正则化Batch Normalization；r(x)为ReL U函数；D

【专利技术属性】
技术研发人员：李晓贤，王奔，王刚，杜梦岩，谷陈丰，张歆萌，贾阳，马扬，
申请(专利权)人：西安中核核仪器股份有限公司，
类型：发明
国别省市：